LFM3-1.7B-Base מול MiniCPM5 2B: שני ספקים, שני לוחות ניקוד, תשובה כנה אחת

Liquid AI יצרה את LFM3-1.7B-Base המאגר ב-Hugging Face ב-26 באוקטובר 2026 ופרסמה למחרת את ההכרזה על משפחת LFM3 — וטבלת הבנצ'מרקים באותה הכרזה עושה משהו שימושי במיוחד: היא מעמידה את המודל שעבר אימון-המשך LFM3-1.7B ישירות מול MiniCPM5-2B, מודל ה-2.5B ש-OpenBMB מכנה מאז שמשקולותיו הופיעו בספטמבר למיטב הקוד הפתוח ברמת 2B. במערך 27 המבחנים של Liquid עצמה, LFM3-1.7B מנצח ב-23 שורות ו-MiniCPM5-2B מנצח בארבע. עם זאת, הצ'קפוינט שבכותרת המאמר הזה אינו זה שבטבלה, והוא אינו נושא מספרי בנצ'מרק מכל סוג שהוא. הפער הזה הוא הסיפור.

שלושה דברים מיטשטשים בכל השוואת מודלים קטנים, ולכן כדאי להפריד ביניהם מראש: מה ש-Liquid מדדה, מה ש-OpenBMB מדדה, ומה שאף אחד משני הספקים לא פרסם לגבי צ'קפוינטים הבסיסיים שאנשים באמת עורכים עליהם כיוונון עדין. רק הקטגוריה השלישית מתארת קרב הוגן בין שני השמות בעמוד הזה.

הטבלה ש-Liquid פרסמה, והמודל שהיא מתארת

כרטיס הדגם LFM3-1.7B מכיל 27 שורות הפרוסות על פני שבע קטגוריות — סוכנים, שימוש בכלים, קידוד סוכני, קידוד, עמידה בהוראות, ידע והקשר ארוך — עם עמודות עבור LFM2.5-2.6B, MiniCPM5 2B, Gemma 4 E4B, Qwen3.5 4B ו-Qwen3.5 9B. המודל של Liquid עצמה מנצח בכולן למעט ארבעה מהן, והפערים בשורות הסוכניים אינם צמודים: LiveClaw 45.60 לעומת 30.37, WebArena-Verified 38.42 לעומת 9.11, AutomationBench 41.29 לעומת 4.71, BrowseComp-Plus 37.00 לעומת 16.83. אותו דפוס נשמר בשימוש בכלים (BFCL V4 71.39 לעומת 62.65, ToolSandbox 80.36 לעומת 68.16) ובהקשר ארוך, שבו RULER 128K מציג 65.56 לעומת 37.96 של MiniCPM5-2B.

ארבעת הניצחונות של MiniCPM5-2B הם כולם בידע או בחוסן בריבוי תורות: τ³-bench עם 69.44 מול 68.01, GPQA Diamond עם 65.15 מול 63.37, Humanity's Last Exam ללא כלים עם 8.20 מול 7.17, ודיוק AA-Omniscience עם 9.13 מול 7.07. אלו יתרונות צרים במדדים שבהם שבריר נקודה הוא לעתים קרובות רעש. הפערים ביכולות סוכניות אינם כאלה.

כל מספר בפסקה ההיא דווח על ידי הספק. Liquid הריצה את חבילות הבדיקה שלה, בחרה את קבוצת ההשוואה שלה ולא פרסמה מתודולוגיה לפי בדיקה על הכרטיס. נכון ל-28 באוקטובר 2026, לא הצלחנו למצוא רשומת LFM3 ב-Artificial Analysis, ולכן אין שחזור בלתי תלוי שניתן לשקול מולו. יש להתייחס לחלוקה 23–4 כאל הטיעון של Liquid, ולא כתוצאה תעשייתית.

מהו למעשה הצ'קפוינט הבסיסי

אם מפשיטים את הפוסט-אימון, מתקבל מודל טקסט בלבד בגודל 1.73B עם 24 שכבות: 13 קונבולוציות קצרות עם שער, חמש שכבות קשב עם חלון הזזה בגודל חלון של 256 טוקנים, ושש שכבות קשב גלובלי. נתון ההקשר של 256K הוא הדבר האמיתי — הערך max_position_embeddings בקונפיג שפורסם הוא 262,144 — ולא חלון של 256 טוקנים שאיתו בלבלו אותו בסיקורים מוקדמים. אוצר המילים הוא 128,000 טוקנים, כרטיס המודל מפרט 16 שפות, והרישיון הוא LFM Open License v1.0, שההיתר המסחרי שלו מפסיק לחול על ישות משפטית עם הכנסה שנתית של $10 מיליון או יותר.

מתכון האימון מתועד בפירוט רב יותר מרוב מהדורות הבסיס: 22 טריליון טוקנים בסך הכול, כאשר 3.5 טריליון טוקנים אחרונים הוקדשו לנתוני אימון ביניים מסודרים הכוללים עקבות סוכניים וקריאות לכלים, בתוספת הרחבות הקשר של 128K ו-256K. בדיוק של 4 סיביות, נקודת הביקורת מתוארת כתופסת כ-1 GB, וזה המספר שחשוב אם היעד הוא טלפון או מחשב נייד ולא שרת.

מה שכרטיס המודל לא נותן לך הוא כל הערכה של מודל הבסיס עצמו. הציונים שפרסמה Liquid שייכים ל-LFM3-1.7B לאחר SFT, RL מעורב, זיקוק on-policy רב-תחומי ו-RL אג'נטי. אין דרך, מחומר פומבי, להפריד כמה מתוך הממוצע 49.37 הגיע מ-22 טריליון אסימוני קדם-אימון וכמה הגיע ממערך הפוסט-אימון. זו אינה ביקורת ייחודית ל-Liquid — כמעט אף אחד לא מפרסם הערכות למודל בסיס — אבל זה כן אומר שלשם בכותרת של המאמר הזה אין לוח תוצאות משל עצמו.

לוח הספירה והניקוד של OpenBMB

הכרטיס של MiniCPM5-2B מציג טענה שונה על קבוצה אחרת של צירים. רדאר היכולות שלו מדרג תשעה ממדים ומדווח ממוצע של 53.9, לעומת 51.1 עבור Qwen3.5-4B, 42.7 עבור granite-4.2-3B ו-33.2 עבור LFM2.5-2.6B. בלוח הזה, המודל הוא המוביל בתחום ברמת 2B ותחרותי עם מודלים ברמת 4B. הוא אינו כולל את LFM3-1.7B, שלא היה קיים כשהכרטיס נכתב.

לא ניתן להחסיר את שני לוחות התוצאות זה מזה. הם משתמשים במבחנים שונים, בנרמול שונה ובמערכי השוואה שונים — והמבחן החופף היחיד, τ³-bench, הוא בדיוק המקום שבו המודל של OpenBMB מקדים במעט בטבלה של Liquid. אם תציב 53.9 לצד 49.37 ותסיק ש-MiniCPM5-2B הוא המודל החזק יותר, השווית ממוצע ספק על תשעה צירים לממוצע ספק על 27 מבחנים ולא למדת דבר.

העובדות החומרתיות פחות דו-משמעותיות. MiniCPM5-2B הוא LlamaForCausalLM סטנדרטי עם 2,516,756,480 פרמטרים בסך הכול, מתוכם 1,981,982,720 שאינם פרמטרי הטמעה, 42 שכבות, תשומת לב עם שאילתות מקובצות עם 16 ראשי query ו-2 ראשי KV, והקשר של 131,072 טוקנים בתצורה המסופקת. הוא ברישיון Apache 2.0, מגיע כבניינים GGUF, MLX, GPTQ ו-LiteRT לצד מודל טיוטה לפענוח ספקולטיבי, ו-OpenBMB שחררה איתו את קורפוסי האימון. זהו מוצר מוגמר עם המפעל מחובר.

בסיס מול בסיס הוא ההשוואה הנקייה היחידה

שתי המשפחות מספקות נקודת ביקורת מאומנת מראש, מה שמאפשר לראשונה השוואה בתנאים זהים. MiniCPM5-2B-Base נוצר ב-27 באוגוסט 2026, הוא ברישיון Apache 2.0, וקיים מאותה סיבה ש-LFM3-1.7B-Base קיים: כדי שיאומן-מחדש למשהו אחר. אף אחד מכרטיסי הבסיס לא מפרסם טבלת הערכה. לכן ההחלטה צריכה להתקבל על סמך מפרט, רישיון ומערכת אקולוגית ולא על סמך ציון.

המסגור מחדש הזה חשוב מפני שהטעות הנפוצה ביותר עם הצמד הזה היא להוריד את בסיס Liquid, לתת לו פרומפט כמו למודל צ'אט, ולהסיק שהוא גרוע מ-MiniCPM5-2B. הוא אכן יהיה. LFM3-1.7B-Base הוא פלט משלב אמצע האימון עם תבנית צ'אט ומצב חשיבה, לא עוזר; הכרטיס של Liquid עצמו אומר להשתמש ב-LFM3-1.7B לצ'אט, לקריאה לכלים ולסוכנים. הצ'קפוינט המוגמר של OpenBMB הוא הדבר הנכון להשוות מול LFM3-1.7B, וההשוואה הזו כבר קיימת בטבלה של Liquid. השוואת בסיס לבסיס מיועדת למי שמתכוון לבצע את האימון בעצמו.

גיליון המפרט, ממד אחר ממד

• פרמטרים — LFM3-1.7B-Base: 1.73B על פני 24 שכבות. MiniCPM5-2B: 2.52B סה"כ, 1.98B ללא הטמעה, על פני 42 שכבות.

• הקשר — LFM3-1.7B-Base: 256K אסימונים, קלט בתוספת פלט. MiniCPM5-2B: 131,072 אסימונים בתצורה המסופקת.

• ארכיטקטורה — LFM3-1.7B-Base: תלת-היברידי עם קונבולוציות קצרות עם מנגנון שער, בתוספת קשב בחלון מחליק וקשב גלובלי, נטען עם trust_remote_code. MiniCPM5-2B: מפענח Llama סטנדרטי שפועל על כלי עבודה ללא שינוי.

• רישיון — LFM3-1.7B-Base: LFM Open License v1.0, שימוש מסחרי מותנה בכך שההכנסה השנתית תישאר מתחת ל-10 מיליון דולר. MiniCPM5-2B: Apache 2.0, ללא תנאי הכנסה.

• פורמטים שסופקו — LFM3-1.7B-Base: משקולות BF16 בלבד בכרטיס הבסיס; לגרסה התאומה שעברה אימון לאחר יש גרסאות GGUF, MLX, ONNX, FP8 ו-NVFP4. MiniCPM5-2B: BF16, GGUF, MLX, GPTQ ו-LiteRT, בנוסף לנקודות שמירה של SFT ואמצע אימון ולמודל טיוטה DSpark.

• טביעת רגל — LFM3-1.7B-Base: כ-1 GB ב-4-bit, לפי Liquid. MiniCPM5-2B: מודל צפוף בגודל 2.5B שלא פורסם עבורו נפח זיכרון ב-4-bit בכרטיס; יש לצפות לעלות הזיכרון הרגילה של מחלקת 2.5B, ולא ל-1 GB.

• שפות — LFM3-1.7B-Base: 16 שפות מזוהות בשם, כולל ערבית, הינדי, תאית ווייטנאמית. MiniCPM5-2B: כרטיס ממוקד באנגלית ובסינית, עם הנתונים שפורסמו מאחוריו.

• נתוני אימון — LFM3-1.7B-Base: 22T אסימונים, המתכון תואר אך הנתונים לא פורסמו. MiniCPM5-2B: קורפוסי UltraData שוחררו יחד עם המשקולות.

מה המאגרים מספרים לך על פריסה

ה-MiniCPM5-2B הוא המודל הקל יותר להצבה על מכשיר היום. הארכיטקטורה סטנדרטית, ולכן תמיכה ב-llama.cpp, ‏Ollama ו-LM Studio היא עניין של שימוש בקובץ ה-GGUF שפורסם ולא של המתנה ל-kernel. ל-Apple Silicon יש build-ים של MLX, ל-Android יש מסלול LiteRT, ומודל הטיוטה DSpark קיים במיוחד כדי להאיץ פענוח על חומרה מוגבלת.

LFM3-1.7B-Base דורש יותר מה-runtime. הוא זקוק לקוד מידול מותאם אישית, וה-checkpoint הבסיסי פורסם רק ב-BF16. המשפחה שמסביב זוכה לתמיכה טובה יותר: Liquid מפרטת תמיכה של vLLM, SGLang ו-Transformers ב-BF16, של SGLang ב-FP8 וב-NVFP4, של llama.cpp ו-Ollama ב-GGUF, של MLX ב-Apple Silicon ושל ONNX Runtime בעבודה חוצת-פלטפורמות. המלכוד הוא שהגרסאות הבנויות האלה שייכות ל-LFM3-1.7B, ולא ל-checkpoint הבסיסי. ה-pull request של SGLang שמוסיף תמיכה ב-LFM3, #46858, עדיין היה פתוח בזמן הכתיבה; ה-pull request הנלווה של ה-cookbook מוזג.

אם השאלה היא איזה מודל להעמיד מאחורי endpoint השבוע, שימו לב שאף אחד מMiniCPM5-2B או LFM3-1.7B-Base אינו בקטלוג של OrcaRouter נכון להיום. שניהם כרגע מוצעים כהורדה והרצה עצמית בלבד. זה בדיוק המצב שבו שכבת ניתוב מצדיקה את עצמה בשלב מאוחר יותר ולא מוקדם יותר: מפתח אחד תואם OpenAI עבור יותר מ-200 מודלים, 0% תוספת כשמחיר המחירון של הספק מועבר כפי שהוא, ומעבר אוטומטי לגיבוי כאשר שרת בהרצה עצמית או ספק במעלה הזרם אחד נופל. אין צורך בכל זה כדי להריץ מודל של 1 GB על מחשב נייד; צריך את זה כשהמודל הקטן הופך לזרוע אחת בנתיב ייצור ומשהו צריך לתפוס את הכשל.

מה שעדיין אינו ניתן לדעת

הרשימה הכנה קצרה וספציפית. לא הצלחנו למצוא בנצ'מרק עצמאי לאף מודל LFM3, ולכן כל טענת יכולת לגבי המשפחה היא של Liquid בלבד. אין הערכה שפורסמה ל-LFM3-1.7B-Base, ולכן איש אינו יכול לומר כמה טוב הצ'קpoint הגולמי לפני אימון נוסף. אין מחיר לכל טוקן עבור LFM3 ב-API מתארח, מה שהופך השוואות עלות עם MiniCPM5-2B — שגם היא באירוח עצמי ברוב הפריסות — לתרגיל של חומרה וחשמל ולא לתרגיל של מחירון. ועדיין אין ראיות, עצמאיות או אחרות, לשאלה אם חלון ההזזה של 256 טוקנים עולה למודל במשהו בעבודה עתירת אחזור עם הקשר ארוך; ציון RULER 128K של Liquid עצמה, 65.56, נמוך בהרבה מ-87.11 שהיא מדווחת עבור Qwen3.5 9B, וזה אות שכדאי לעקוב אחריו ולא פסק דין.

שלוש שאלות שכדאי לענות עליהן לפני שתורידו אחד מהם

האם אתה רוצה מודל, או נקודת התחלה?

אם אתם רוצים משהו שעונה על שאלות, קורא לכלים ושורד הדגמה ביום שני, MiniCPM5-2B הוא המוצר המוגמר ואילו LFM3-1.7B-Base אינו. אם יש לכם קורפוס תחומי, צינור פוסט-אימון וסיבה לכך שהמודל המדף לא יתאים, צ'קפוינט הבסיס הוא הרכישה הנכונה — ומחברות ה-TRL של Liquid עבור SFT, DPO, GRPO ואימון מקדים ממשיך מספקות יותר הכוונה ממה שרוב הספקים מספקים.

האם הארגון שלכם יחצה אי פעם רף הכנסות שנתיות של 10 מיליון דולר?

רישיון LFM Open License v1.0 מעניק זכויות מסחריות רק מתחת לסף הזה. מעליו, היצירה כלל אינה ברישיון במסגרת ההסכם, ונדרש הסדר נפרד עם Liquid. ל-Apache 2.0 אין צוק כזה. עבור פרויקט תחביב או סטארט-אפ בשלב מוקדם ההבדל תיאורטי; עבור חברה מבוססת הוא מכריע את הרשימה הקצרה לפני הרצת כל בנצ'מרק.

האם חלון הקשר של 256K שווה ארכיטקטורה מותאמת אישית?

LFM3-1.7B-Base מציע פי שניים הקשר לעומת MiniCPM5-2B במספר פרמטרים קטן יותר, וזה הטיעון הטכני החזק ביותר לטובתו. המחיר הוא מודל לא-תקני שדורש קוד מרוחק, סט צר יותר של builds מוכנים על ה-checkpoint הבסיסי, ואינטגרציית runtime שעדיין מתגבשת. אם עומס העבודה שלך נכנס ב-131K, אתה משלם את המחיר הזה עבור מרווח ראש שלא תשתמש בו.

איזה אחד לבחור?

עבור רוב הצוותים שמשווים בין שני השמות האלה, התשובה היא MiniCPM5-2B — לא משום שהוא מנצח בתחרות בנצ'מרקים, אלא משום שהוא מוצר גמור ברישיון Apache-2.0 עם בנייות מכומתות, נתוני אימון שפורסמו וללא תקרת רישיון. זוהי הדרך בעלת הסיכון הנמוך יותר להביא מודל 2.5B בעל יכולות אל תוך מכשיר.

LFM3-1.7B-Base הוא ההימור המעניין יותר לקהל צר יותר: צוותים שרוצים צ'ק פוינט של 1.73B עם חלון הקשר של 256K, 16 שפות וארכיטקטורה לא סטנדרטית, שאותו הם יכולים להמשיך לאמן על GPU יחיד, ומוכנים לחיות עם רישיון LFM ועם אקוסיסטם דק יותר של מודלי בסיס. Liquid נתנה לקהל הזה נקודת התחלה אמיתית ומתכון אימון מפורט באופן יוצא דופן. היא עדיין לא נתנה לאיש סיבה להאמין שצ'ק פוינט הבסיס טוב יותר מזה המוגמר של OpenBMB, והטבלה של הספק עצמו אינה מנסה לטעון שהוא כזה.

המספר שכדאי לעקוב אחריו אינו הפיצול 23–4. הוא ההערכה העצמאית הראשונה של מודל LFM3 כלשהו — הנקודה שבה לוח התוצאות של Liquid מפסיק להיות לוח התוצאות היחיד.